CN117540625A - 海浪数值预报数据订正模型的训练方法、装置 - Google Patents
海浪数值预报数据订正模型的训练方法、装置 Download PDFInfo
- Publication number
- CN117540625A CN117540625A CN202311415381.5A CN202311415381A CN117540625A CN 117540625 A CN117540625 A CN 117540625A CN 202311415381 A CN202311415381 A CN 202311415381A CN 117540625 A CN117540625 A CN 117540625A
- Authority
- CN
- China
- Prior art keywords
- wave numerical
- wave
- data
- sea
- numerical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 138
- 238000012549 training Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/002—Measuring the movement of open water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例提供了一种海浪数值预报数据订正模型的训练方法、装置。该方法包括:获取海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据,其中,海浪数值包括:网格区域的海浪波高、波向、波周期;根据海浪数值预报数据,生成海浪数值预报样本;并根据海浪数值预报数据对应的海浪数值观测数据,生成海浪数值预报样本的标签;根据生成的海浪数值预报样本及其对应的标签,生成海浪数值预报数据订正训练集;采用该训练集对预设的海浪数值预报数据订正模型进行训练,得到订正能力较强的海浪数值预报数据订正模型,进而基于该模型对待订正的海浪数值预报数据进行精确订正。
Description
技术领域
本公开涉及气象海洋技术领域,尤其涉及一种海浪数值预报数据订正模型的训练方法、装置。
背景技术
目前,海浪数值预报已普遍采用第三代海浪数值预报模式,模式中充分考虑了波-波相互作用,能够模拟快变风场强迫下的海浪,海浪波高、波向、波周期等产品的预报精度有了很大的提高。
但是由于不同时间和不同海域可能存在海面风场、气压场预报精度问题,导致海浪数值预报也常常出现海浪波高、波向和波周期预报精度不高的问题,因此有必要采取措施对海浪数值预报数据进行订正,进一步提高海浪数值预报产品质量。
发明内容
本公开提供了一种海浪数值预报数据订正模型的训练方法、装置,能够提高海浪数值预报数据的订正精度。
第一方面,本公开实施例提供了一种海浪数值预报数据订正模型的训练方法,该方法包括:
获取海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据,其中,海浪数值包括:网格区域的海浪波高、波向、波周期;
根据海浪数值预报数据,生成海浪数值预报样本,并根据海浪数值预报数据对应的海浪数值观测数据,生成海浪数值预报样本的标签,根据生成的海浪数值预报样本及其对应的标签,生成海浪数值预报数据订正训练集;
采用海浪数值预报数据订正训练集对预设的海浪数值预报数据订正模型进行训练,得到训练完成的海浪数值预报数据订正模型。
在第一方面的一些可实现方式中,根据海浪数值预报数据,生成海浪数值预报样本,并根据海浪数值预报数据对应的海浪数值观测数据,生成海浪数值预报样本的标签,包括:
对海浪数值预报数据和海浪数值观测数据进行数据异常值处理和数据缺失值处理;
根据处理后的海浪数值预报数据,生成海浪数值预报样本,并根据处理后的海浪数值观测数据,生成海浪数值预报样本的标签。
在第一方面的一些可实现方式中,采用海浪数值预报数据订正训练集对预设的海浪数值预报数据订正模型进行训练,得到训练完成的海浪数值预报数据订正模型,包括:
基于海浪数值预报数据订正模型对海浪数值预报数据订正训练集中的海浪数值预报样本进行订正;
计算订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息;
根据订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息,对海浪数值预报数据订正模型的参数进行迭代更新,直至满足训练停止条件,得到训练完成的海浪数值预报数据订正模型。
在第一方面的一些可实现方式中,计算订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息,包括:
根据订正后的海浪数值预报样本中的网格区域的海浪波高预报数据、波向预报数据、波周期预报数据与海浪数值预报样本对应的标签中的网格区域的海浪波高观测数据、波向观测数据、波周期观测数据,计算网格区域的海浪波高数据差值、波向数据差值、波周期数据差值;
对网格区域的海浪波高数据差值、波向数据差值、波周期数据差值进行求和计算,得到订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息;
根据订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息,对海浪数值预报数据订正模型的参数进行迭代更新,直至满足训练停止条件,得到训练完成的海浪数值预报数据订正模型,包括:
根据订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息,计算海浪数值预报数据订正模型的损失值;
若海浪数值预报数据订正模型的损失值大于或等于预设阈值,则对海浪数值预报数据订正模型的参数进行迭代更新,直至海浪数值预报数据订正模型的损失值小于预设阈值,得到训练完成的海浪数值预报数据订正模型。
在第一方面的一些可实现方式中,海浪数值预报数据订正模型为Conv LSTM网络。
第二方面,本公开实施例提供了一种海浪数值预报数据订正方法,该方法包括:
获取待订正的海浪数值预报数据,其中,海浪数值包括:网格区域的海浪波高、波向、波周期;
基于海浪数值预报数据订正模型对待订正的海浪数值预报数据进行订正,得到订正后的海浪数值预报数据,其中,海浪数值预报数据订正模型基于如以上所述的海浪数值预报数据订正模型的训练方法得到。
第三方面,本公开实施例提供了一种海浪数值预报数据订正模型的训练装置,该装置包括:
获取模块,用于获取海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据,其中,海浪数值包括:网格区域的海浪波高、波向、波周期;
生成模块,用于根据海浪数值预报数据,生成海浪数值预报样本,并根据海浪数值预报数据对应的海浪数值观测数据,生成海浪数值预报样本的标签,根据生成的海浪数值预报样本及其对应的标签,生成海浪数值预报数据订正训练集;
训练模块,用于采用海浪数值预报数据订正训练集对预设的海浪数值预报数据订正模型进行训练,得到训练完成的海浪数值预报数据订正模型。
第四方面,本公开实施例提供了一种海浪数值预报数据订正装置,该装置包括:
获取模块,用于获取待订正的海浪数值预报数据,其中,海浪数值包括:网格区域的海浪波高、波向、波周期;
订正模块,用于基于海浪数值预报数据订正模型对待订正的海浪数值预报数据进行订正,得到订正后的海浪数值预报数据,其中,海浪数值预报数据订正模型基于如以上所述的海浪数值预报数据订正模型的训练方法得到。
第五方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如以上所述的方法。
第六方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如以上所述的方法。
第七方面,本公开实施例提供了一种计算机程序产品,该计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现如以上所述的方法。
在本公开中,可以基于海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据快速训练预设的海浪预报数据订正模型,得到订正能力较强的海浪预报数据订正模型,进而基于该模型对待订正的海浪数值预报数据进行订正,提高海浪数值预报数据的订正精度与效率。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了一种能够在其中实现本公开的实施例的示例性运行环境的示意图;
图2示出了本公开实施例提供的一种海浪数值预报数据订正模型的训练方法的流程图;
图3示出了本公开实施例提供的一种海浪数值预报数据订正方法的流程图;
图4示出了本公开实施例提供的一种海浪数值预报数据订正模型的训练装置的结构图;
图5示出了本公开实施例提供的一种海浪数值预报数据订正装置的结构图;
图6示出了一种能够实施本公开的实施例的示例性电子设备的结构图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
针对背景技术中出现的问题,本公开实施例提供了一种海浪数值预报数据订正模型的训练方法、装置。具体地,可以基于海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据快速训练预设的海浪预报数据订正模型,得到订正能力较强的海浪预报数据订正模型,进而基于该模型对待订正的海浪数值预报数据进行订正,提高海浪数值预报数据的订正精度与效率。
下面结合附图,通过具体的实施例对本公开实施例提供的海浪数值预报数据订正模型的训练方法、装置进行详细地说明。
图1示出了一种能够在其中实现本公开的实施例的示例性运行环境的示意图,如图1所示,运行环境100中可以包括电子设备110和服务器120。
其中,电子设备110可以是移动电子设备,也可以是非移动电子设备。例如,移动电子设备可以是手机、平板电脑、笔记本电脑、掌上电脑或者超级移动个人计算机(Ultra-Mobile Personal Computer,UMPC)等,非移动电子设备可以是个人计算机(PersonalComputer,PC)、超级计算机或者服务器等。
服务器120可以是开源数据平台,其中存储有海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据。示例性地,服务器120可以是单个服务器、服务器集群或者云服务器等。
作为一个示例,电子设备110可以先从服务器120中获取海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据。
需要注意的是,海浪数值预报模式在设置好预报区域后,将预报区域按照固定的距离划分为均匀的网格区域,然后在每个网格区域上计算海浪数值预报数据。因此,海浪数值预报数据及其对应的海浪数值观测数据针对的是同一批网格区域,数据格式均为格点形式。海浪数值可以包括:网格区域的海浪波高、波向、波周期,海浪数值预报数据可以包括:网格区域的海浪波高预报数据、波向预报数据、波周期预报数据,海浪数值观测数据可以包括:网格区域的海浪波高观测数据、波向观测数据、波周期观测数据。
然后根据海浪数值预报数据,生成海浪数值预报样本,并根据海浪数值预报数据对应的海浪数值观测数据,生成海浪数值预报样本的标签,根据生成的海浪数值预报样本及其对应的标签,生成海浪数值预报数据订正训练集。
接着采用海浪数值预报数据订正训练集对预设的海浪数值预报数据订正模型进行训练,得到订正能力较强的海浪数值预报数据订正模型。
当需要对待订正的海浪数值预报数据进行订正时,可以基于训练完成的海浪数值预报数据订正模型对待订正的海浪数值预报数据进行订正,提高海浪数值预报数据的订正精度与效率。
下面将详细介绍本公开实施例提供的海浪数值预报数据订正模型的训练方法,其中,该训练方法的执行主体可以是图1所示的电子设备110。
图2示出了本公开实施例提供的一种海浪数值预报数据订正模型的训练方法的流程图,如图2所示,训练方法200可以包括以下步骤:
S210,获取海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据。
其中,海浪数值可以包括:网格区域的海浪波高、波向、波周期,海浪数值预报数据可以包括:网格区域的海浪波高预报数据、波向预报数据、波周期预报数据,海浪数值观测数据可以包括:网格区域的海浪波高观测数据、波向观测数据、波周期观测数据。
示例性地,可以从海浪数值预报产品中提取海浪数值预报数据,并从海浪数值预报产品对应的海浪数值观测系统中提取海浪数值观测数据。其中,海浪数值预报产品是由海浪数值预报系统针对指定海洋区域进行预报得到,海浪数值观测系统可以包括常规气象站、天气雷达和气象卫星等部分,用于对指定海洋区域进行观测。
S220,根据海浪数值预报数据,生成海浪数值预报样本,并根据海浪数值预报数据对应的海浪数值观测数据,生成海浪数值预报样本的标签,根据生成的海浪数值预报样本及其对应的标签,生成海浪数值预报数据订正训练集。
在一些实施例中,可以对海浪数值预报数据和海浪数值观测数据进行数据异常值处理(例如以正常数据平均值代替异常值)和数据缺失值处理(例如对数据缺失值进行补零),根据处理后的海浪数值预报数据,生成海浪数值预报样本,并根据处理后的海浪数值观测数据,生成海浪数值预报样本的标签。如此一来,可以提高训练数据质量,优化后续模型的训练效果。
可以理解,海浪数值预报数据订正训练集中包括海浪数值预报样本及其对应的标签。
S230,采用海浪数值预报数据订正训练集对预设的海浪数值预报数据订正模型进行训练,得到训练完成的海浪数值预报数据订正模型。
在一些实施例中,可以基于海浪数值预报数据订正模型对海浪数值预报数据订正训练集中的海浪数值预报样本进行订正,也即减少海浪数值预报样本与标签的差异,使得海浪数值预报样本接近对应的标签。然后计算订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息。
根据订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息,对海浪数值预报数据订正模型的参数进行迭代更新,直至满足训练停止条件,得到训练完成的海浪数值预报数据订正模型。
例如:可以根据订正后的海浪数值预报样本中的网格区域的海浪波高预报数据、波向预报数据、波周期预报数据与海浪数值预报样本对应的标签中的网格区域的海浪波高观测数据、波向观测数据、波周期观测数据,计算网格区域的海浪波高数据差值(即海浪波高预测数据与海浪波高观测数据的差值)、波向数据差值(即海浪波向预测数据与海浪波向观测数据的差值)、波周期数据差值(即海浪波周期预测数据与海浪波周期观测数据的差值)。
对网格区域的海浪波高数据差值、波向数据差值、波周期数据差值进行求和计算,也即将网格区域的海浪波高数据差值、波向数据差值、波周期数据差值三者累加,得到网格区域的海浪波高-波向-波周期联合误差,进而将其作为订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息。
根据订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息,计算海浪数值预报数据订正模型的损失值,若海浪数值预报数据订正模型的损失值大于或等于预设阈值,则根据损失值对海浪数值预报数据订正模型的参数进行迭代更新,直至海浪数值预报数据订正模型的损失值小于预设阈值,得到训练完成的海浪数值预报数据订正模型。也就是说,可以基于海浪波高-波向-波周期联合误差,对海浪数值预报数据订正模型进行训练,提高模型的订正能力。
根据本公开的实施例,可以基于海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据快速训练预设的海浪预报数据订正模型,得到订正能力较强的海浪预报数据订正模型。
在一些实施例中,海浪数值预报数据订正模型可以为Conv LSTM网络。可知,ConvLSTM网络不但具有LSTM网络的时序建模能力,而且还能像CNN网络一样刻画局部特征,因此该模型同时具备时空特性,能更好解决梯度消失和爆炸问题。
基于本公开实施例提供的海浪数值预报数据订正模型的训练方法200,本公开实施例还提供了一种海浪数值预报数据订正方法。
如图3所示,该海浪数值预报数据订正方法300可以应用于图1所示的电子设备110,包括以下步骤:
S310,获取待订正的海浪数值预报数据。
其中,海浪数值包括:网格区域的海浪波高、波向、波周期。
S320,基于海浪数值预报数据订正模型对待订正的海浪数值预报数据进行订正,得到订正后的海浪数值预报数据。
其中,海浪数值预报数据订正模型基于如以上所述的训练方法得到。
具体地,可以将待订正的海浪数值预报数据输入海浪数值预报数据订正模型,由海浪数值预报数据订正模型对待订正的海浪数值预报数据进行订正,得到订正后的海浪数值预报数据。
根据本公开的实施例,可以基于训练完成的海浪数值预报数据订正模型对待订正的海浪数值预报数据进行订正,提高海浪数值预报数据的订正精度与效率,实现海浪波高-波向-波周期等数据的网格释用。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图4示出了根据本公开的实施例提供的一种海浪数值预报数据订正模型的训练装置的结构图,如图4所示,训练装置400可以包括:
获取模块410,用于获取海浪数值预报数据以及海浪数值预报数据对应的海浪数值观测数据,其中,海浪数值包括:网格区域的海浪波高、波向、波周期。
生成模块420,用于根据海浪数值预报数据,生成海浪数值预报样本,并根据海浪数值预报数据对应的海浪数值观测数据,生成海浪数值预报样本的标签,根据生成的海浪数值预报样本及其对应的标签,生成海浪数值预报数据订正训练集。
训练模块430,用于采用海浪数值预报数据订正训练集对预设的海浪数值预报数据订正模型进行训练,得到训练完成的海浪数值预报数据订正模型。
在一些实施例中,生成模块420具体用于:
对海浪数值预报数据和海浪数值观测数据进行数据异常值处理和数据缺失值处理。
根据处理后的海浪数值预报数据,生成海浪数值预报样本,并根据处理后的海浪数值观测数据,生成海浪数值预报样本的标签。
在一些实施例中,训练模块430具体用于:
基于海浪数值预报数据订正模型对海浪数值预报数据订正训练集中的海浪数值预报样本进行订正。
计算订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息。
根据订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息,对海浪数值预报数据订正模型的参数进行迭代更新,直至满足训练停止条件,得到训练完成的海浪数值预报数据订正模型。
在一些实施例中,训练模块430具体用于:
根据订正后的海浪数值预报样本中的网格区域的海浪波高预报数据、波向预报数据、波周期预报数据与海浪数值预报样本对应的标签中的网格区域的海浪波高观测数据、波向观测数据、波周期观测数据,计算网格区域的海浪波高数据差值、波向数据差值、波周期数据差值。
对网格区域的海浪波高数据差值、波向数据差值、波周期数据差值进行求和计算,得到订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息。
根据订正后的海浪数值预报样本与海浪数值预报样本对应的标签的差异信息,计算海浪数值预报数据订正模型的损失值。
若海浪数值预报数据订正模型的损失值大于或等于预设阈值,则对海浪数值预报数据订正模型的参数进行迭代更新,直至海浪数值预报数据订正模型的损失值小于预设阈值,得到训练完成的海浪数值预报数据订正模型。
在一些实施例中,海浪数值预报数据订正模型为Conv LSTM网络。
可以理解的是,图4所示的训练装置400中的各个模块/单元具有实现本公开实施例提供的训练方法200中的各个步骤的功能,并能达到其相应的技术效果,为了简洁,在此不再赘述。
图5示出了根据本公开的实施例提供的一种海浪数值预报数据订正装置的结构图,如图5所示,海浪数值预报数据订正装置500可以包括:
获取模块510,用于获取待订正的海浪数值预报数据,其中,海浪数值包括:网格区域的海浪波高、波向、波周期。
订正模块520,用于基于海浪数值预报数据订正模型对待订正的海浪数值预报数据进行订正,得到订正后的海浪数值预报数据,其中,海浪数值预报数据订正模型基于如以上所述的训练方法得到。
可以理解的是,图5所示的海浪数值预报数据订正装置500中的各个模块/单元具有实现本公开实施例提供的海浪数值预报数据订正方法300中的各个步骤的功能,并能达到其相应的技术效果,为了简洁,在此不再赘述。
图6示出了一种可以用来实施本公开的实施例的电子设备的结构图。电子设备600旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备600还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,电子设备600可以包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如方法200或方法300。例如,在一些实施例中,方法200或方法300可被实现为计算机程序产品,包括计算机程序,其被有形地包含于计算机可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时,可以执行上文描述的方法200或方法300的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200或方法300。
本文中以上描述的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,计算机可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。计算机可读介质可以是计算机可读信号介质或计算机可读储存介质。计算机可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。计算机可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
需要注意的是,本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行方法200或方法300,并达到本公开实施例执行其方法达到的相应技术效果,为简洁描述,在此不再赘述。
另外,本公开还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现方法200或方法300。
为了提供与用户的交互,可以在计算机上实施以上描述的实施例,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将以上描述的实施例实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种海浪数值预报数据订正模型的训练方法,其特征在于,所述方法包括:
获取海浪数值预报数据以及所述海浪数值预报数据对应的海浪数值观测数据,其中,所述海浪数值包括:网格区域的海浪波高、波向、波周期;
根据所述海浪数值预报数据,生成海浪数值预报样本,并根据所述海浪数值预报数据对应的海浪数值观测数据,生成所述海浪数值预报样本的标签,根据生成的海浪数值预报样本及其对应的标签,生成海浪数值预报数据订正训练集;
采用所述海浪数值预报数据订正训练集对预设的海浪数值预报数据订正模型进行训练,得到训练完成的海浪数值预报数据订正模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述海浪数值预报数据,生成海浪数值预报样本,并根据所述海浪数值预报数据对应的海浪数值观测数据,生成所述海浪数值预报样本的标签,包括:
对所述海浪数值预报数据和所述海浪数值观测数据进行数据异常值处理和数据缺失值处理;
根据处理后的海浪数值预报数据,生成海浪数值预报样本,并根据处理后的海浪数值观测数据,生成所述海浪数值预报样本的标签。
3.根据权利要求1所述的方法,其特征在于,所述采用所述海浪数值预报数据订正训练集对预设的海浪数值预报数据订正模型进行训练,得到训练完成的海浪数值预报数据订正模型,包括:
基于所述海浪数值预报数据订正模型对所述海浪数值预报数据订正训练集中的海浪数值预报样本进行订正;
计算订正后的海浪数值预报样本与所述海浪数值预报样本对应的标签的差异信息;
根据订正后的海浪数值预报样本与所述海浪数值预报样本对应的标签的差异信息,对所述海浪数值预报数据订正模型的参数进行迭代更新,直至满足训练停止条件,得到训练完成的海浪数值预报数据订正模型。
4.根据权利要求3所述的方法,其特征在于,所述计算订正后的海浪数值预报样本与所述海浪数值预报样本对应的标签的差异信息,包括:
根据订正后的海浪数值预报样本中的网格区域的海浪波高预报数据、波向预报数据、波周期预报数据与所述海浪数值预报样本对应的标签中的网格区域的海浪波高观测数据、波向观测数据、波周期观测数据,计算网格区域的海浪波高数据差值、波向数据差值、波周期数据差值;
对网格区域的海浪波高数据差值、波向数据差值、波周期数据差值进行求和计算,得到订正后的海浪数值预报样本与所述海浪数值预报样本对应的标签的差异信息;
所述根据订正后的海浪数值预报样本与所述海浪数值预报样本对应的标签的差异信息,对所述海浪数值预报数据订正模型的参数进行迭代更新,直至满足训练停止条件,得到训练完成的海浪数值预报数据订正模型,包括:
根据订正后的海浪数值预报样本与所述海浪数值预报样本对应的标签的差异信息,计算所述海浪数值预报数据订正模型的损失值;
若所述海浪数值预报数据订正模型的损失值大于或等于预设阈值,则对所述海浪数值预报数据订正模型的参数进行迭代更新,直至所述海浪数值预报数据订正模型的损失值小于所述预设阈值,得到训练完成的海浪数值预报数据订正模型。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述海浪数值预报数据订正模型为Conv LSTM网络。
6.一种海浪数值预报数据订正方法,其特征在于,所述方法包括:
获取待订正的海浪数值预报数据,其中,所述海浪数值包括:网格区域的海浪波高、波向、波周期;
基于海浪数值预报数据订正模型对待订正的海浪数值预报数据进行订正,得到订正后的海浪数值预报数据,其中,所述海浪数值预报数据订正模型基于权利要求1-5中任一项所述的海浪数值预报数据订正模型的训练方法得到。
7.一种海浪数值预报数据订正模型的训练装置,其特征在于,所述装置包括:
获取模块,用于获取海浪数值预报数据以及所述海浪数值预报数据对应的海浪数值观测数据,其中,所述海浪数值包括:网格区域的海浪波高、波向、波周期;
生成模块,用于根据所述海浪数值预报数据,生成海浪数值预报样本,并根据所述海浪数值预报数据对应的海浪数值观测数据,生成所述海浪数值预报样本的标签,根据生成的海浪数值预报样本及其对应的标签,生成海浪数值预报数据订正训练集;
训练模块,用于采用所述海浪数值预报数据订正训练集对预设的海浪数值预报数据订正模型进行训练,得到训练完成的海浪数值预报数据订正模型。
8.一种海浪数值预报数据订正装置,其特征在于,所述装置包括:
获取模块,用于获取待订正的海浪数值预报数据,其中,所述海浪数值包括:网格区域的海浪波高、波向、波周期;
订正模块,用于基于海浪数值预报数据订正模型对待订正的海浪数值预报数据进行订正,得到订正后的海浪数值预报数据,其中,所述海浪数值预报数据订正模型基于权利要求1-5中任一项所述的海浪数值预报数据订正模型的训练方法得到。
9.一种电子设备,其特征在于,所述设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-6中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311415381.5A CN117540625A (zh) | 2023-10-27 | 2023-10-27 | 海浪数值预报数据订正模型的训练方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311415381.5A CN117540625A (zh) | 2023-10-27 | 2023-10-27 | 海浪数值预报数据订正模型的训练方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117540625A true CN117540625A (zh) | 2024-02-09 |
Family
ID=89788950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311415381.5A Pending CN117540625A (zh) | 2023-10-27 | 2023-10-27 | 海浪数值预报数据订正模型的训练方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540625A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909666A (zh) * | 2024-03-19 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 一种融合数值模式及深度学习的海浪智能订正方法及系统 |
-
2023
- 2023-10-27 CN CN202311415381.5A patent/CN117540625A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909666A (zh) * | 2024-03-19 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 一种融合数值模式及深度学习的海浪智能订正方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560996B (zh) | 用户画像识别模型训练方法、设备、可读存储介质及产品 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN117540625A (zh) | 海浪数值预报数据订正模型的训练方法、装置 | |
CN113795039B (zh) | 运营商网络切换方法、装置、设备和计算机可读存储介质 | |
CN114020950B (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
CN114693934B (zh) | 语义分割模型的训练方法、视频语义分割方法及装置 | |
CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN114511743A (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN114239853A (zh) | 模型训练方法、装置、设备、存储介质以及程序产品 | |
CN116452861A (zh) | 目标模型训练方法、装置及电子设备 | |
CN113361621B (zh) | 用于训练模型的方法和装置 | |
CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
CN113361519B (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
CN115759209A (zh) | 神经网络模型的量化方法、装置、电子设备及介质 | |
CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
CN113379592A (zh) | 图片中敏感区域的处理方法、装置和电子设备 | |
CN112966607A (zh) | 模型训练方法、人脸视频生成方法、装置、设备和介质 | |
CN112560987A (zh) | 图像样本处理方法、装置、设备、存储介质和程序产品 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN115630630B (zh) | 语言模型处理方法、业务处理方法、装置、设备及介质 | |
CN116257611B (zh) | 问答模型的训练方法、问答处理方法、装置及存储介质 | |
CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |